[发明专利]用于检测语音尾点的方法和装置

权利要求书

1.一种用于检测语音尾点的方法，包括：

响应于检测到音频流中的语音头点，确定目标音频帧序列中的音频帧对应的音频特征值，其中，所述目标音频帧序列根据所述音频流中的所述语音头点之后的部分生成；

对于所述目标音频帧序列中的音频帧，将该音频帧对应的音频特征值导入预先建立的尾点检测模型，生成该音频帧的音频帧类型，其中，所述尾点检测模型用于表征音频特征值与音频帧类型之间的对应关系，音频帧类型包括：语音类型、头静音类型、中间静音类型和尾静音类型；

根据所述目标音频帧序列中的音频帧的音频帧类型，确定所述音频流中的语音尾点。

2.根据权利要求1所述的方法，其中，在所述响应于检测到音频流中的语音头点，确定目标音频帧序列中的音频帧对应的音频特征值之前，所述方法还包括：

检测所述音频流中的语音头点。

3.根据权利要求2所述的方法，其中，所述确定目标音频帧序列中的音频帧对应的音频特征值，包括：

确定所述目标音频帧序列；

对于所述目标音频帧序列中的音频帧，确定该音频帧对应的音频特征值。

4.根据权利要求3所述的方法，其中，所述确定该音频帧对应的音频特征值，包括：

获取在前音频特征值，其中，所述在前音频特征值提取自所述目标音频帧序列中的、自该音频帧开始前数预设数目个音频帧；

获取在后音频特征值，其中，所述在后音频特征值提取自所述目标音频帧序列中的、自该音频帧开始后数所述预设数目个音频帧；

拼接所述在前音频特征值、从该音频帧中提取的音频特征值和所述在后音频特征值，生成该音频帧对应的音频特征值。

5.根据权利要求1所述的方法，其中，所述尾点检测模型包括：卷积神经网络、长短时记忆网络和分类层，其中，所述卷积神经网络的输入为音频帧对应的音频特征值，所述卷积神经网络的输出为所述长短时记忆网络的输入，所述长短时记忆网络的输出为所述分类层的输入，所述分类层的输出为音频帧类型和对应的概率。

6.根据权利要求5所述的方法，其中，所述长短时记忆网络包括：第一长短时记忆网络和第二长短时记忆网络，其中，所述第一长短时记忆网络的输入为所述卷积神经网络的输出，所述第一长短时记忆网络的输出为所述第二长短时记忆网络的输入，所述第二长短时记忆网络的输出为所述分类层的输入。

7.根据权利要求1所述的方法，其中，所述尾点检测模型通过以下步骤建立：

获取音频数据集合，其中，音频数据集合中的音频数据对应的音频帧与音频帧类型相对应；

对于音频数据集合中的音频数据，提取该音频数据对应的音频帧的预定义种类的音频特征值，以及生成音频特征值序列；将生成的音频特征值序列作为该音频数据对应的训练样本，以及生成训练样本集，其中，训练样本中的音频特征值与音频帧类型对应；

将所述训练样本集中的训练样本作为初始尾点检测模型的输入，将与输入的训练样本对应的音频帧类型作为所述初始尾点检测模型的期望输出，训练初始尾点检测模型，得到尾点检测模型。

8.根据权利要求7所述的方法，其中，所述音频数据集合通过以下方式生成：

获取原始音频数据集合；

对所述原始音频数据集合中的原始音频数据进行语音识别，以及进行分帧操作得到音频帧；

根据语音识别结果，生成原始音频数据的各个音频帧的音频帧类型；

根据所述原始音频数据集合和所生成的音频帧的音频帧类型，生成音频数据集合。

9.根据权利要求7所述的方法，其中，所述提取该音频数据对应的音频帧的预定义种类的音频特征值，包括：

从音频数据的音频帧中选取部分音频帧，以及提取选取出的部分音频帧的预定义种类的音频特征值。